Skip to content

XX-red/No001.Project

BranchesTags

Repository files navigation

监狱智能行为分析系统

一个给监狱/看守所使用的 AI 视频监控系统，可以自动检测异常行为并报警。

本系统通过摄像头实时监控画面，利用 AI 自动识别跌倒、打架、疲劳瞌睡、人员离岗、人群聚集等异常行为，并在电脑屏幕上显示报警信息。同时提供 Web 网页管理面板，方便远程查看监控画面和数据统计。

目录

这个系统能做什么

功能 说明
🚶 跌倒检测 老人或犯人摔倒时自动报警
👊 打架检测 检测到两人以上激烈肢体接触时报警
😴 疲劳检测 检测到人长时间不动（可能在打瞌睡）时提醒；也能检测闭眼疲劳
🚪 离岗检测 监控区域内长时间没人时报警
👥 人员聚集 检测到 3 人以上聚在一起超过 3 秒时提醒
🖥️ 桌面端界面 运行 Python 程序后弹出一个窗口，实时显示检测画面
🌐 Web 管理面板 浏览器打开网页，可查看实时视频流、统计图表、历史截图

系统长什么样

桌面端界面（OpenCV 窗口）

运行 Python 程序后，会弹出一个名为 "Security Detection System" 的窗口：

  • 左侧是状态面板，显示当前人数、检测到的行为、最近日志
  • 主画面中，人体会被框出来，异常行为会标红
  • 顶部有 LIVE 状态灯（正常绿色、报警红色）
  • 右上角显示实时 FPS（每秒处理帧数）

Web 管理面板

浏览器打开 http://localhost:5000/yolov8-security/ 后：

  • 实时监控视频流（MJPEG 格式）
  • 行为统计柱状图/折线图
  • 历史截图浏览
  • 一键删除所有截图数据

运行原理（简单版）

摄像头/视频文件 ──→ Python AI 检测程序 ──→ 在屏幕上显示检测结果
                        │
                        ├──→ 把检测结果保存为 JSON 文件
                        ├──→ 把截图保存为 JPG 图片
                        └──→ 把视频画面发送给 Java 后端

Java 后端 ──→ 读取 JSON 和图片 ──→ 提供网页 API ──→ 浏览器展示

简单说：Python 负责 AI 检测，Java 负责网页服务，两者通过文件 + 网络通信。

你需要准备什么

基础要求

项目 要求
操作系统 Windows 10/11、Linux、macOS
摄像头 一个可用的 USB 摄像头或网络摄像头（没有也可以，可以用视频文件测试）
Python 3.8 ~ 3.11 版本（推荐 3.10）
Java JDK 17 或更高版本
内存 至少 4GB（推荐 8GB+）
硬盘 至少 2GB 可用空间

没有摄像头怎么办？

系统默认使用摄像头。如果没有摄像头，可以改成播放视频文件：

  1. 打开 detection/yolov8_security.py
  2. 找到 SOURCE = 0 这一行（约第 64 行）
  3. 改成 SOURCE = "videos/test_video.mp4"（把视频文件放在 videos/ 文件夹里）
  4. 如果没有视频文件，程序会自动创建一个测试画面

不想装 Java 怎么办？

可以用 Docker 运行 Java 后端（见下文 Docker 部署方式），只需要安装 Docker 即可。

一步步教你运行

方法一：手动运行（推荐新手）

第 1 步：下载 YOLOv8 模型文件

系统需要一个 AI 模型文件才能工作。下载 yolov8n-pose.pt（大约 5MB）：

如果 models/ 文件夹不存在，请手动创建一个。

第 2 步：安装 Python 环境

如果你有 Conda（推荐）：

# 用项目提供的环境配置文件一键创建环境
conda env create -f environment.yml

# 激活环境
conda activate yolov8-security

如果你没有 Conda（用 pip 安装）：

# 直接用 pip 安装所需库
pip install ultralytics opencv-python numpy pillow requests

pip 安装慢的话可以加国内镜像：pip install -i https://pypi.tuna.tsinghua.edu.cn/simple ultralytics opencv-python numpy pillow requests

第 3 步：运行 Python AI 检测程序

# 进入 AI 模型目录
cd detection

# 运行检测程序
python yolov8_security.py

如果一切正常，会弹出一个窗口，显示摄像头画面，并实时检测人体和行为。

注意： 程序默认调用摄像头（设备 0）。如果你的摄像头是笔记本自带摄像头，通常就是 0。如果是外接摄像头，可能需要改成 1 或 2。

第 4 步：安装 Java 并启动后端（可选，用于 Web 面板）

安装 Java 17+：

从 https://adoptium.net/ 下载 Temurin JDK 17 或更高版本，安装即可。

安装后打开命令行验证：

java -version
# 应该显示类似 "openjdk version "17.0.x" 的信息

构建并运行后端：

# 进入 server 目录
cd server

# 构建项目（第一次运行需要下载依赖，会慢一些）
./mvnw clean package -DskipTests

# 启动后端服务
./mvnw spring-boot:run

看到类似 Tomcat started on port(s): 5000 的日志，说明启动成功。

Windows 上如果 ./mvnw 报错，请用 mvnw.cmd clean package -DskipTests

方法二：Docker 一键运行

需要先安装 Docker Desktop（https://www.docker.com/products/docker-desktop/）

# 一键启动所有服务
docker-compose up -d

# 查看运行日志
docker-compose logs -f

# 停止所有服务
docker-compose down

打开网页管理面板

当 Java 后端启动成功后，打开浏览器访问：

http://localhost:5000/yolov8-security/

Web 面板包含：

  • 实时监控 — 查看摄像头实时画面（MJPEG 视频流）
  • 统计图表 — 各类行为的发生次数统计
  • 历史截图 — 查看 AI 检测到异常时自动保存的截图
  • 数据管理 — 一键清理所有截图和检测数据

常见问题

Q：程序提示 "CUDA 不可用" / "使用 CPU"

这是正常的。CUDA 需要 NVIDIA 显卡，如果没有独立 NVIDIA 显卡，程序会自动使用 CPU 运行，速度会慢一些，但功能完全一样。如果用的是 NVIDIA 显卡，可以安装 CUDA 工具包来加速。

Q：弹出窗口但看不到画面

摄像头可能被其他程序占用了（如微信、Zoom 等）。关闭其他使用摄像头的程序，重新运行。

Q：报错 "ModuleNotFoundError: No module named 'ultralytics'"

依赖没装全。重新运行：

pip install ultralytics opencv-python numpy pillow requests

Q：Web 面板打不开

确认 Java 后端已经启动成功。检查命令行是否有报错，以及是否显示了 Tomcat started on port(s): 5000。

Q：画面很卡怎么办？

可以降低画质来提高速度。打开 detection/yolov8_security.py，找到 Config 类，把 IMG_SIZE = 512 改成 IMG_SIZE = 320（数字越小越快，但精度会降低）。

Q：不想每次开摄像头，想用视频文件测试？

找到 Config 类中的 SOURCE = 0，改成视频文件路径即可，例如 SOURCE = "videos/test.mp4"。把视频文件放到项目根目录下的 videos/ 文件夹里。

目录结构说明

yolov8_security/                        # 项目根目录
│
├── detection/                          # Python AI 检测程序
│   └── yolov8_security.py              #   ★ 主程序（运行这个文件）
│   └── qwen_vl_service.py              #   可选：大模型场景分析服务
│
├── server/                             # Java 后端（提供 Web 服务）
│   ├── src/
│   │   ├── main/
│   │   │   ├── java/.../config/        #   配置类（认证、限流等）
│   │   │   ├── java/.../controller/    #   API 接口
│   │   │   ├── java/.../service/       #   业务逻辑
│   │   │   └── resources/templates/
│   │   │       └── index.html          #   ★ Web 管理面板页面
│   │   └── test/                       #   测试代码
│   ├── Dockerfile                      #   后端容器化配置
│   ├── pom.xml                         #   Maven 项目配置
│   └── mvnw / mvnw.cmd                 #   Maven 构建工具
│
├── web/                                # 前端静态资源（CSS/JS）
│   ├── css/                            #   样式文件
│   └── js/                             #   JavaScript 文件
│
├── deploy/                             # 部署配置
│   ├── docker-compose.yml              #   Docker 一键部署配置
│   ├── nginx/                          #   Nginx 配置
│   └── .env.example                    #   环境变量模板
│
├── models/                             # AI 模型文件（需要自己下载）
│   └── yolov8n-pose.pt                 #   ★ YOLOv8 姿态估计模型
│
├── tests/                              # Python 测试
│   └── test_detection.py
│
├── server/data/                        # ★ 自动生成：检测数据存放目录
│   ├── detection_20250101_120000.json  #   检测结果（JSON 格式）
│   └── frame_20250101_120000.jpg       #   异常截图
│
├── results/                            # 自动生成：录制的检测视频
├── videos/                             # 放你自己的测试视频文件
│
└── README.md                           # 本文件

高级设置（如果你想调整参数）

打开 detection/yolov8_security.py，找到 class Config（约第 57 行），可以修改以下参数：

参数名 默认值 说明 怎么调
SOURCE 0 视频来源。0=摄像头，或填视频文件路径 没摄像头就改文件路径
IMG_SIZE 512 AI 识别的图片清晰度 卡顿就改小（320），想更准改大（640）
CONF_THRESH 0.5 检测置信度，越高要求越严格 误报多就调高（0.6），漏报多就调低（0.4）
FATIGUE_DURATION 3 人静止多久算疲劳（秒） 想宽松点就改大（5）
GATHER_THRESHOLD 3 最少几个人算聚集 要求严就改小（2），宽松就改大（5）
GATHER_DURATION 3.0 聚持续多久才报警（秒） 路过的人多就改大（5）
ALERT_COOLDOWN 5.0 同一种报警最短间隔（秒） 不想频繁报警就改大（10）

技术细节（给开发者看）

组件 使用的技术
AI 检测 Python + YOLOv8n-pose（Ultralytics）+ PyTorch
后端服务 Java 17 + Spring Boot 3.x
Web 前端 Thymeleaf + Chart.js
视频流 MJPEG（multipart/x-mixed-replace）
反向代理 Nginx
容器化 Docker + Docker Compose
数据存储 无数据库，使用 JSON 文件（在 server/data/ 目录）

数据怎么传输的

Python 和 Java 之间通过两种方式通信：

  1. 文件方式：Python 把检测结果写成 .json 文件，把截图存为 .jpg 文件，都放在 server/data/ 文件夹。Java 每隔 2 秒扫描一次这个文件夹。
  2. 网络方式：Python 直接把每一帧画面通过 HTTP 发送给 Java。

API 接口

如果你要自己写程序读取检测数据，可以调用以下接口（所有接口前缀 /yolov8-security/）：

方法 接口地址 作用
GET /api/status 系统状态（监控是否运行中、模型信息）
GET /api/recent 最近 20 条检测记录
GET /api/stats 检测统计数据（Web 页面每 2 秒调一次）
GET /api/images 获取所有截图列表
GET /api/images/{文件名} 获取某张截图
DELETE /api/delete_all_images 删除所有截图和检测数据
POST /api/alert 手动触发报警
POST /api/update_frame 接收 Python 发送的视频帧
POST /api/model_info 接收模型量化信息
POST /api/qwen/analyze 发送图片给 Qwen VL 分析
GET /api/stream SSE 视频帧流
GET /video_feed MJPEG 实时视频流地址
GET/PUT /api/settings 系统设置（JSON 持久化）
GET/POST/PUT/DELETE /api/users 用户管理（JSON 持久化）
GET/POST/PUT/DELETE /api/devices 设备/摄像头管理（JSON 持久化）

认证

  • AuthFilter 检查请求头 Authorization 是否匹配 app.auth.token 配置
  • application.properties 设置 app.auth.token=${API_KEY:default-dev-token}
  • 如果 token 为空则跳过认证

关键路径映射

以下路径必须保持一致，否则系统无法正常工作：

组件 配置项 / 变量 必须指向
Java 读取检测 JSON app.file.upload-dir 包含 detection_*.json 的目录
Python 写入检测 JSON Config.DATASET_DIR PROJECT_ROOT/server/data
Python 可执行文件 app.python.executable 有效的 python / python.exe
YOLO 脚本路径 app.python.script.path detection/yolov8_security.py
模型权重 Config.MODEL_PATH models/yolov8n-pose.pt
视频输出 Config.RESULT_VIDEO_PATH results/security_result.mp4

Python 脚本关键配置

detection/yolov8_security.py 中的关键变量：

变量 默认值 说明
WEB_SERVER_URL http://127.0.0.1:5000/yolov8-security Java 后端地址（可通过环境变量覆盖）
Config.DATASET_DIR PROJECT_ROOT/server/data 检测结果写入目录
Config.MODEL_PATH PROJECT_ROOT/models/yolov8n-pose.pt YOLO 模型路径
Config.SOURCE PROJECT_ROOT/videos/test_video.mp4 视频源（0=摄像头，或文件路径）

About

No description, website, or topics provided.

Resources

Readme
Activity

Stars

0 stars

Watchers

0 watching

Forks

0 forks
Report repository

Releases

Packages

Contributors

Languages